融合语义相似度与矩阵分解的评分预测算法

摘要

项目评分矩阵稀疏性问题严重影响协同过滤算法的推荐准确性。针对评分数据稀疏性问题,提出一种融合语义相似度与矩阵分解算法的评分预测算法(SS-MF)。SS-MF通过构建本体概念的层次结构树计算项目间的语义相似度,依据相似度预测填充稀疏矩阵中部分缺失值,调整语义相似度阈值使得既不破坏原始矩阵的内在属性特征又能够完善矩阵数据信息;以预测后评分矩阵为基础,基于矩阵分解理论进行降维与分解,进一步对稀疏矩阵中缺失值进行预测填充。实验结果表明:算法实现了对稀疏评分矩阵中缺失值的预测,且绝对误差值较正态分布随机数预填充奇异值分解(RN-SVD)算法最大降低了4.62%,较奇异值分解(SVD)算法平均降低了1.73%,算法提高了协同过滤中稀疏矩阵评分预测准确性。